微粒群优化算法在装备制造业应用方向研究.docVIP

微粒群优化算法在装备制造业应用方向研究 　　摘要： 为了优化和创新造船模式，本文分析了一种新型算法——微粒群优化算法（PSO）的原理，并探索其在大型钢结构领域方向的应用，简要设想了分段堆放优化、水火弯板工艺参数和车间生产作业调度优化等三个方面，达到省时省资源和能量，以促进制造业更好的发展。 　　Abstract： To optimize and bring forth new ideas into shipbuilding mode， the article analyze the principle of a new algorithm—particle swarm optimization（PSO） and envisage it applied into large steel， envisaging the optimization of subsection placement，line-heating process parameter and Job-shop Scheduling， take less time and energy， to promote the better development of Chinese manufacturing industry. 　　关键词： 微粒群算法；装备制造；分段堆放；水火弯板；车间调度 　　Key words： PSO；equipment manufacturing industry；Subsection Placement；line-heating；Job-shop Scheduling 　　中图分类号：U673.2 文献标识码：A 文章编号：1006-4311（2012）30-0036-03 　　0 引言 　　大型装备制造是一个兼容制造和建造的复杂的生产过程。在金融危机的影响下，为了适应工业和科技的进步，为了市场和战场的战斗需要，也为了提高生产效率和改善作业环境，不断优化和创新制造流程和制造技术就成为装备制造业永恒的主题。本文意在分析一种新型优化算法——微粒群优化算法在大型装备制造业界的应用。 　　1 微粒群算法 　　20世纪90年代初，产生了一种模拟自然生物群体为主的优化技术，Dorigo等从生物进化的机理中受到启发，通过模拟蚂蚁的寻径行为，提出了蚁群优化方法。微粒群算法（Particle swarm optimization，PSO）由Kennedy和Eberhart于1995年提出，是一种模拟鸟群寻找食物的社会行为的随机群体进化算法[1]，这些研究可以称为群体智能。通常单个自然生物并不是智能的，但是整个生物群体却表现出处理复杂问题的能力，群体智能就是这些团体行为在人工智能问题中的应用。微粒群优化最初是处理连续优化问题的，目前其应用已扩展到组合优化问题。由于其简单、有效的特点，已经得到了众多学者的重视和研究。 　　起初人们知识不够丰富的时候就利用它解决简单的一些线性问题，后来人们拓宽知识面后就想办法求优化问题，在这个里面就发现微粒群算比传统方法更好的地方。第一，微粒群算法可以描述目标函数，传统优化方法做不到，同时可以比较灵活地设定目的函数，使算法被广泛地应用；第二，算法自己有比较好的特性，依据这个特性把全局和局部收敛进行平衡。第三，算法可以与其他的进化算法融合。那么有些学者把一些算子，比如说选择算子、变异算子等加入PS0算法，选择算子有这种作用，能够把最好的粒子直接性地复制到下一代，这样就能确保最好的粒子。交叉算子有这样的作用使一对一对的粒子之间相互交换各自的信息资料，然后都具有向新的区域飞行的能力。另一种想法是把PS0中的速度思想加到进化规划中，加快了进化规划算法的速度，从而来进行指导变异操作[2]。 　　1.1 算法原理 PSO算法与其他优化方法类似，都是基于群体的演化算法，根据群体对环境的适应度将群体中的个体移动到好的区域，然而它不像其他演化算法那样对个体使用演化算子，而是将每个个体看作D维搜索空间中的一个没有体积的微粒，在搜索空间中以一定的速度飞行。这个速度根据它本身的飞行经验以及同伴的飞行经验进行动态调整。第i个微粒表示为Xi=（xi1，xi2，…，xiD）和速度Vi=（vi1，vi2，…，viD），它经历过的最好位置（有最好的适应值）记为Pi=（pi1，pi2，…，piD），也称为pbest。体所有微粒经历过的最好位置的索引号用符号g表示，即Pg，也称为gbest。对每一代，其第d 堆（1≤d≤D）根据如下方程变化[2] 　　vid=wvid+c1rand（）（pid-xid）+c2Rand（）（pgd-xid） 　　xid=xid+vid 　　其中：w为惯性权重（inertia weight），c1和c2为加速常数（accelerati